Giới thiệu dự án

Ngành nông nghiệp lúa gạo giữ vai trò xương sống trong nền kinh tế Việt Nam, đóng góp hàng tỷ USD kim ngạch xuất khẩu mỗi năm và đảm bảo an ninh lương thực quốc gia. Theo các báo cáo thống kê ngành nông nghiệp, Việt Nam luôn nằm trong top 3 quốc gia xuất khẩu gạo lớn nhất thế giới. Tuy nhiên, giá trị gia tăng trên mỗi tấn gạo xuất khẩu của nước ta thường thấp hơn đáng kể so với các đối thủ cạnh tranh trực tiếp như Thái Lan hay Ấn Độ. Nguyên nhân cốt lõi nằm ở khâu chế biến sau thu hoạch: tỷ lệ gạo thô, gạo gãy (tấm), gạo lẫn tạp chất, hạt bạc phấn, hạt vàng và hạt biến màu còn cao, làm giảm phẩm cấp thương phẩm theo các tiêu chuẩn quốc tế nghiêm ngặt như ISO hay Codex Alimentarius.

Các giải pháp sàng lọc cơ học truyền thống (sàng rung, sàng đảo) chỉ phân tách được hạt theo kích thước hình học ở mức độ tương đối, hoàn toàn bất lực trước các khuyết tật về màu sắc hoặc dị vật có cùng kích cỡ. Trong khi đó, các hệ thống máy bắn màu quang học ngoại nhập từ Nhật Bản hay châu Âu lại có giá thành đầu tư rất cao (từ hàng chục nghìn đến hàng trăm nghìn USD), gây khó khăn cho việc tiếp cận của các doanh nghiệp vừa và nhỏ cũng như các hợp tác xã nông nghiệp tại Việt Nam.

Xuất phát từ thực trạng đó, đề tài "Nghiên cứu mô hình hệ thống nhận dạng hạt gạo cho máy phân loại chất lượng gạo dùng kỹ thuật xử lý ảnh" được thực hiện nhằm giải quyết các mục tiêu cụ thể sau:

  1. Xây dựng mô hình toán học và cấu trúc phần mềm trích xuất các khung hình (frames) từ luồng video thời gian thực với camera chuyên dụng.
  2. Thiết kế và tối ưu chuỗi thuật toán tiền xử lý, lọc nhiễu, tách biên và phân đoạn ảnh nhị phân dựa trên các phép toán hình thái học (Morphological Operations).
  3. Ứng dụng mạng nơ-ron nhân tạo (Artificial Neural Network - ANN) cấu trúc Perceptron để phân loại kích thước và tỷ lệ chiều dài/chiều rộng của từng hạt gạo.
  4. Tách biệt kênh độ sáng và sắc độ thông qua không gian màu YCbCr nhằm phát hiện chính xác các hạt gạo biến màu, gạo đen, gạo vàng mà không bị ảnh hưởng bởi sự dao động ánh sáng môi trường.
  5. Thiết lập thuật toán định vị tọa độ hạt lỗi trong thời gian thực để sẵn sàng giao tiếp và kích hoạt cơ cấu chấp hành khí nén (súng hơi) phân loại sản phẩm.

Hệ thống tập trung vào phạm vi nghiên cứu thuật toán nhận dạng 2D trực tiếp trên luồng ảnh thực nghiệm từ khay trượt dẫn hướng, xử lý các hạt gạo chạy qua trường nhìn của camera với tốc độ cao, đảm bảo độ chính xác nhận dạng đạt trên 95%.

Phân tích và thiết kế giải pháp

Phân tích hiện trạng

Quá trình kiểm định và phân loại chất lượng gạo hiện nay đang tồn tại sự phân hóa rõ rệt giữa các phương pháp:

Phương pháp Ưu điểm Nhược điểm Chi phí đầu tư Độ chính xác
Kiểm tra thủ công (Mắt thường) Linh hoạt, không cần thiết bị phức tạp Tốc độ chậm, phụ thuộc chủ quan, năng suất thấp Rất thấp (nhân công) < 75%
Sàng rung cơ học Năng suất phân tách kích thước lớn Không phân loại được màu sắc, dễ làm vỡ hạt Trung bình ~ 80% (kích thước)
Máy quang học ngoại nhập Năng suất cực cao, tự động hóa hoàn toàn Chi phí đầu tư rất lớn, khó làm chủ công nghệ bảo trì Rất cao (> $50,000) > 98%
Giải pháp thị giác máy tính đề xuất Chi phí tối ưu, nhận dạng đồng thời kích thước & màu sắc Đòi hỏi căn chỉnh ánh sáng chuẩn xác Thấp - Trung bình 95%

Dựa trên phương pháp luận MoSCoW, các yêu cầu kỹ thuật của hệ thống được xác định:

  • Must have (Bắt buộc): Trích xuất khung hình thời gian thực, lọc nhiễu ảnh, trích xuất đặc trưng hình thái hạt, nhận dạng hạt gãy/hạt biến màu, xuất tọa độ hạt lỗi.
  • Should have (Nên có): Tối ưu hóa thời gian xử lý mỗi khung hình dưới ngưỡng trễ thời gian thực (< 40ms/frame), hỗ trợ huấn luyện mạng nơ-ron với tập mẫu mới.
  • Could have (Có thể có): Giao diện đồ họa (GUI) hiển thị biểu đồ thống kê tỷ lệ phần trăm phẩm cấp gạo trực quan.
  • Won't have (Chưa thực hiện trong phạm vi này): Cơ cấu bẫy cơ khí nhiều kênh tích hợp đồng thời ở quy mô cấp công nghiệp hàng chục tấn/giờ.

Thiết kế hệ thống

Kiến trúc xử lý tín hiệu hình ảnh của hệ thống được module hóa theo quy trình xử lý thị giác máy tính chuyên sâu:

[ Camera CCD / Video Feed ]
             │ (RGB Frames)
             ▼
┌─────────────────────────────────────────────────────────┐
│              KHỐI TIỀN XỬ LÝ & TÁCH BIÊN                │
│  - Chuyển đổi mức xám: Y = 0.299R + 0.587G + 0.114B     │
│  - Lọc nhiễu phi tuyến: Bộ lọc trung vị (Median 3x3)    │
│  - Toán tử Gradient / Sobel: G = |Gx| + |Gy|            │
└────────────────────────────┬────────────────────────────┘
                             │
              ┌──────────────┴──────────────┐
              ▼                             ▼
┌───────────────────────────┐ ┌───────────────────────────┐
│   PHÂN TÍCH HÌNH HỌC      │ │    PHÂN TÍCH MÀU SẮC      │
│  - Phép đóng/mở Morphology│ │  - Chuyển không gian YCbCr│
│  - Lấp lỗ trống (Fill)    │ │  - Phân tích kênh Cb & Cr │
│  - Mạng Perceptron (ANN)  │ │  - Phân ngưỡng Color Mask │
│  - Trích xuất: Dài, Rộng  │ │  - Phát hiện gạo vàng/đen │
└─────────────┬─────────────┘ └─────────────┬─────────────┘
              │                             │
              └──────────────┬──────────────┘
                             ▼
┌─────────────────────────────────────────────────────────┐
│          KHỐI ĐÁNH DẤU VÀ RA QUYẾT ĐỊNH                │
│  - Hợp nhất vùng lỗi (Bitwise OR / Bounding Box)        │
│  - Tính toán tọa độ tâm (Centroid X, Y)                │
│  - Kích hoạt tín hiệu điều khiển súng hơi cơ khí        │
└─────────────────────────────────────────────────────────┘

Technology Stack và công cụ sử dụng:

  • Môi trường phát triển: MATLAB R2015b (Tích hợp Image Processing Toolbox, Neural Network Toolbox).
  • Cảm biến thu nhận ảnh: Camera CCD độ nhạy cao, giao tiếp chuẩn Video Capture DirectShow / USB Industrial Interface.
  • Nền tảng tính toán: Hệ thống máy tính công nghiệp cấu hình x86-64.

Mô hình toán học chuyển đổi không gian màu: Nhằm loại trừ tác động tiêu cực của ánh sáng không đồng đều, ảnh được chuyển từ RGB sang không gian màu YCbCr theo chuẩn ITU-R BT.601:

$$\begin{bmatrix} Y \ C_b \ C_r \end{bmatrix} = \begin{bmatrix} 16 \ 128 \ 128 \end{bmatrix} + \begin{bmatrix} 65.481 & 128.553 & 24.966 \ -37.797 & -74.203 & 112.000 \ 112.000 & -93.786 & -18.214 \end{bmatrix} \begin{bmatrix} R \ G \ B \end{bmatrix}$$

Methodology

Nghiên cứu áp dụng quy trình phát triển Waterfall kết hợp vòng lặp thực nghiệm (Iterative Experimental Method):

  1. Thu thập dữ liệu mẫu: Xây dựng tập dữ liệu gồm các mẫu gạo đạt chuẩn (nguyên hạt, độ trong cao), gạo gãy (tấm cỡ 1/3, 1/2), gạo bạc bụng, gạo vàng và tạp chất trên nhiều nền màu thử nghiệm (Trắng, Vàng, Đỏ, Đen).
  2. Thiết kế giải thuật tiền xử lý: Lựa chọn mặt nạ lọc và toán tử tách biên tối ưu nhằm cực tiểu hóa thời gian tính toán $O(N^2)$.
  3. Huấn luyện mô hình: Sử dụng mạng Perceptron với thuật toán học có giám sát (Supervised Learning), hàm kích hoạt bán tuyến tính / Sigmoid để phân định ranh giới kích thước hạt.
  4. Kiểm chuẩn và tinh chỉnh: Đánh giá độ chính xác qua 51 chuỗi khung hình thực nghiệm liên tiếp dưới các điều kiện ánh sáng thay đổi.

Implementation và kết quả

Development process

Quá trình hiện thực hóa giải thuật được chia thành các pha xử lý nghiêm ngặt:

1. Tiền xử lý và làm trơn nhiễu: Ảnh màu RGB thu nhận từ camera được chuyển đổi sang ảnh mức xám (Grayscale). Để loại bỏ hiện tượng nhiễu muối tiêu (salt-and-pepper noise) phát sinh do cảm biến, bộ lọc trung vị $3 \times 3$ được áp dụng:

$$v(m, n) = \text{med}{y(m-k, n-l), (k,l) \in W}$$

Khác với bộ lọc trung bình tuyến tính làm mờ các góc cạnh của hạt gạo, bộ lọc trung vị bảo toàn nguyên vẹn độ sắc nét của biên đối tượng.

2. Dò tách biên và xử lý hình thái học (Morphology): Hệ thống sử dụng toán tử Sobel với hai cặp mặt nạ trực giao $H_1, H_2$ để tính gradient:

$$H_x = \begin{bmatrix} -1 & 0 & 1 \ -2 & 0 & 2 \ -1 & 0 & 1 \end{bmatrix}, \quad H_y = \begin{bmatrix} -1 & -2 & -1 \ 0 & 0 & 0 \ 1 & 2 & 1 \end{bmatrix}$$

Biên độ gradient tổng hợp tại mỗi điểm ảnh: $A_0 = |g_x(m,n)| + |g_y(m,n)|$.

Sau khi nhị phân hóa, ảnh trải qua chuỗi biến đổi hình thái học nhằm tạo vùng liên thông đặc chắc:

  • Loại bỏ pixel nhiễu: Xóa tất cả các vùng liên thông có diện tích nhỏ hơn 4 pixels (bwareaopen).
  • Lấp đầy vùng kín (Hole filling): Điền đầy phần lõi hạt gạo.
  • Phép dãn (Dilation) và Phép co (Erosion): Hàn gắn các khe nứt biên và khôi phục đúng kích thước hình học thực của hạt gạo.
% Đoạn mã hiện thực tiền xử lý và trích xuất đặc trưng hình học
function [labeledImage, numObjects, stats] = processRiceSize(rgbFrame)
    % 1. Chuyển đổi sang ảnh xám
    grayFrame = rgb2gray(rgbFrame);
    
    % 2. Lọc nhiễu trung vị 3x3
    denoisedFrame = medfilt2(grayFrame, [3 3]);
    
    % 3. Tách biên bằng toán tử Sobel và nhị phân hóa
    edgeBW = edge(denoisedFrame, 'sobel');
    
    % 4. Loại bỏ các đốm nhiễu nhỏ hơn 4 pixels
    cleanBW = bwareaopen(edgeBW, 4);
    
    % 5. Phép toán hình thái: Lấp đầy khoảng trống và đóng biên
    filledBW = imfill(cleanBW, 'holes');
    se = strel('disk', 2);
    dilatedBW = imdilate(filledBW, se);
    finalBW = imerode(dilatedBW, se);
    
    % 6. Gán nhãn và đo đạc đặc trưng hình học
    [labeledImage, numObjects] = bwlabel(finalBW);
    stats = regionprops(labeledImage, 'Area', 'MajorAxisLength', 'MinorAxisLength', 'Centroid');
end

3. Phân loại bằng Mạng Nơ-ron Perceptron và Không gian màu YCbCr:

  • Về kích thước: Vector đặc trưng đầu vào gồm $[Area, MajorAxisLength, MinorAxisLength]$ được đưa vào mạng Perceptron đã huấn luyện để phân loại hạt nguyên ($Output = 1$) hoặc hạt gãy vụn ($Output = 0$).
  • Về màu sắc: Kênh $C_b$ và $C_r$ được phân ngưỡng cục bộ để cô lập các hạt có dấu hiệu thâm kim, ám vàng hoặc đen mốc.
% Đoạn mã phân loại màu sắc qua không gian màu YCbCr
function defectMask = detectColorDefects(rgbFrame, binaryMask)
    % Chuyển sang không gian màu YCbCr
    ycbcr = rgb2ycbcr(rgbFrame);
    Y  = ycbcr(:,:,1);
    Cb = ycbcr(:,:,2);
    Cr = ycbcr(:,:,3);
    
    % Ngưỡng phát hiện hạt biến màu (vàng, đen, mốc)
    % Giá trị tham chiếu được xác lập qua thực nghiệm
    colorThreshold = (Cb < 105 | Cb > 140) | (Cr > 145);
    
    % Kết hợp với mặt nạ hạt gạo để loại trừ nền
    defectMask = colorThreshold & binaryMask;
end

Testing và validation

Hệ thống được thử nghiệm với 4 loại màu nền máng trượt: Trắng, Vàng, Đỏ và Đen. Kết quả cho thấy nền đen mang lại độ tương phản biên tối ưu nhất, loại bỏ hoàn toàn hiện tượng phản xạ ánh sáng giả mạo quanh đường bao hạt gạo.

Quá trình kiểm thử tự động thực hiện trên tập mẫu gồm 51 khung hình liên tiếp trích xuất từ video thực nghiệm camera:

Loại mẫu thử nghiệm Số lượng hạt thực tế Số lượng nhận dạng đúng Số lượng nhận dạng sai / Bỏ sót Độ chính xác (%)
Hạt gạo đạt chuẩn (Nguyên vẹn) 382 367 15 96.07%
Hạt gãy vụn (Tấm < 1/2 hạt) 145 136 9 93.79%
Hạt biến màu (Vàng, đen, đốm) 88 83 5 94.31%
Tổng hợp toàn hệ thống 615 586 29 95.28%

Kết quả đạt được

Hệ thống đạt được các chỉ số hiệu năng và thời gian thực thi ổn định:

  • Tốc độ xử lý khung hình:
    • 1 - 5 hạt/khung hình: $\approx 18.2 \text{ ms/frame}$
    • 6 - 15 hạt/khung hình: $\approx 26.5 \text{ ms/frame}$
    • 16 - 30 hạt/khung hình: $\approx 38.1 \text{ ms/frame}$
  • Độ chính xác tổng thể: Đạt mức 95.28%, vượt mục tiêu thiết kế ban đầu (90%).
  • Khả năng thích ứng môi trường: Hoạt động ổn định khi cường độ ánh sáng chiếu sáng thay đổi trong biên độ $\pm 20%$ nhờ cơ chế tách biệt thành phần luma ($Y$) và chroma ($C_b, C_r$).

Đổi mới và đóng góp

  1. Kết hợp linh hoạt giữa xử lý hình thái học và Mạng Perceptron: Thay vì chỉ sử dụng các ngưỡng diện tích (Area Thresholding) cố định vốn rất dễ sai lệch khi góc rơi của hạt gạo xoay nghiêng, giải thuật sử dụng Perceptron học ranh giới phi tuyến kết hợp giữa tỷ lệ trục lớn/trục nhỏ (MajorAxisLength / MinorAxisLength) và diện tích liên thông, giúp giảm thiểu 40% tỷ lệ phân loại nhầm hạt gạo nghiêng thành hạt gãy.

  2. Tách biệt hoàn toàn kênh sắc độ YCbCr chống nhiễu quang học: Việc chuyển đổi trực tiếp từ RGB sang YCbCr và chỉ áp dụng phân ngưỡng trên hai kênh màu $C_b$ và $C_r$ đã triệt tiêu độ nhạy cảm đối với hiện tượng bóng đổ (shadows) và sự chiếu sáng không đồng đều trên bề mặt máng trượt.

  3. Tối ưu hóa thời gian thực thi cho thuật toán xử lý ảnh: Quy trình lọc nhiễu sử dụng kết hợp bộ lọc trung vị cục bộ và thuật toán làm sạch đốm nhỏ (bwareaopen) trực tiếp trên ma trận nhị phân giúp giảm tải độ phức tạp tính toán, đảm bảo thời gian xử lý khung hình luôn nằm trong giới hạn thời gian thực của camera (25 - 30 FPS).

Ứng dụng thực tế và triển khai

Kịch bản ứng dụng công nghiệp

Hệ thống được thiết kế nhằm tích hợp trực tiếp vào dây chuyền xay xát và chế biến gạo thành phẩm:

  • Giai đoạn tách tấm: Đặt sau máy đánh bóng để loại bỏ hoàn toàn tấm nhỏ ra khỏi gạo xuất khẩu 5% tấm hoặc 10% tấm.
  • Giai đoạn bắn màu: Đặt trước khâu đóng gói bao bì nhằm loại bỏ triệt để các hạt thóc lẫn, hạt cỏ, hạt bạc bụng và hạt sâu mọt.
       [ Phễu cấp liệu ]
              │
              ▼
    [ Máng trượt rung ]
              │  (Tạo dòng hạt đơn lớp)
              ▼
    ┌──────────────────┐
    │ Buồng quang học  │ <─── Đèn LED chuẩn nhiệt độ màu
    │  [ Camera CCD ]  │
    └─────────┬────────┘
              │
              ▼ (Rơi tự do)
       === Tia khí === <───── Súng hơi khí nén (Solenoid Valve)
        /           \
       /             \
      ▼               ▼
 [ Gạo lỗi ]     [ Gạo đạt chuẩn ]
 (Tấm, màu)      (Thương phẩm cao cấp)

Yêu cầu triển khai phần cứng

  • Camera: Độ phân giải từ VGA ($640 \times 480$) đến HD ($1280 \times 720$), tốc độ quét tối thiểu 30 - 60 FPS, ống kính tiêu cự điều chỉnh $18 - 108\text{ mm}$.
  • Hệ thống chiếu sáng: Đèn LED thanh ánh sáng trắng tán xạ đều, chỉ số hoàn màu CRI $\ge 85$, triệt tiêu hoàn toàn góc phản xạ chói.
  • Bộ điều khiển chấp hành: Vi điều khiển STM32 / PLC giao tiếp qua cổng COM/RS232/Ethernet để kích hoạt van điện từ (Solenoid Valve) với thời gian đáp ứng $< 2\text{ ms}$.

Hiệu quả kinh tế và ROI

  • Chi phí chế tạo mô hình thử nghiệm chỉ chiếm khoảng 15 - 20% so với việc nhập khẩu một module bắn màu cùng công suất từ nước ngoài.
  • Nâng giá trị hạt gạo thương phẩm từ chuẩn thường lên chuẩn cao cấp, giúp tăng doanh thu từ 8 - 15% trên mỗi tấn gạo xuất khẩu, ước tính thời gian hoàn vốn đầu tư (ROI) cho các cơ sở chế biến quy mô vừa từ 6 - 9 tháng.

Hạn chế và hướng phát triển

Hạn chế kỹ thuật hiện tại

  • Môi trường chạy: Giải thuật hiện đang chạy mô phỏng trên nền tảng MATLAB, tiêu tốn tài nguyên bộ nhớ runtime hơn so với mã nguồn thuần C/C++.
  • Hiện tượng hạt chồng lấn (Overlapping): Khi mật độ gạo cấp vào máng trượt quá dày, các hạt dính sát nhau có thể bị giải thuật phân đoạn hiểu nhầm là một đối tượng kích thước lớn đơn lẻ.
  • Cơ cấu chấp hành vật lý: Nghiên cứu hiện tại tập trung cốt lõi vào khâu nhận dạng thị giác và xuất tọa độ thời gian thực, chưa tích hợp hệ thống súng hơi khí nén đa kênh công suất lớn.

Hướng phát triển trong tương lai

  1. Chuyển đổi toàn bộ khối thuật toán sang ngôn ngữ C++ kết hợp thư viện OpenCV và tăng tốc xử lý song song trên phần cứng chuyên dụng (DSP, FPGA hoặc NVIDIA Jetson nhúng).
  2. Ứng dụng kỹ thuật phân tách Watershed hoặc mạng nơ-ron tích chập (CNN - Convolutional Neural Networks) siêu nhẹ như MobileNet/YOLOv8-Nano để tách các cụm hạt dính nhau với độ chính xác cao hơn.
  3. Chế tạo máng trượt đa kênh (Multi-chute) kết hợp dàn van khí nén tốc độ cao (High-speed Ejector Array) để nâng công suất phân loại thực tế lên 1 - 2 tấn/giờ.

Đối tượng hưởng lợi

  • Sinh viên & Học viên ngành Tự động hóa, Cơ điện tử, Khoa học máy tính: Tài liệu tham khảo toàn diện về cách kết hợp lý thuyết xử lý ảnh cổ điển (Morphology, Sobel, Color Space) với trí tuệ nhân tạo (ANN) trong một bài toán công nghiệp thực tế.
  • Kỹ sư phát triển phần mềm nhúng & Thị giác máy tính: Cung cấp mẫu thiết kế giải thuật (code patterns), cách tối ưu hóa ma trận ảnh và giải pháp xử lý dòng video thời gian thực.
  • Doanh nghiệp chế tạo máy nông nghiệp nội địa: Cơ sở khoa học vững chắc để phát triển dòng sản phẩm máy bắn màu "Make in Vietnam" với chi phí cạnh tranh cao.
  • Nhà nghiên cứu nông nghiệp ứng dụng: Phương pháp luận và số liệu thực nghiệm đo đạc hình thái nông sản làm tiền đề cho các nghiên cứu giám định chất lượng hạt giống, cà phê, hạt tiêu tự động.

Câu hỏi thường gặp

1. Yêu cầu cấu hình phần cứng tối thiểu để triển khai giải thuật này là gì?

Hệ thống yêu cầu máy tính xử lý có vi xử lý từ Intel Core i3 trở lên (hoặc board nhúng tương đương như Raspberry Pi 4 / Jetson Nano), RAM tối thiểu 4GB, một cổng USB 3.0 / GigE kết nối camera CCD tốc độ 30 FPS và card I/O xuất tín hiệu điều khiển relay/transistor kích hoạt van khí nén.

2. Giới hạn tốc độ phân loại của hệ thống là bao nhiêu và giải pháp mở rộng?

Trên nền tảng mô phỏng, hệ thống xử lý ổn định ở mức 25 - 30 khung hình/giây, tương ứng với khoảng 500 - 900 hạt/phút trên một kênh đơn. Để mở rộng quy mô công nghiệp, hệ thống cần được port sang C++/CUDA và chạy trên dàn máng trượt song song nhiều làn (Multi-lane chute).

3. Giải thuật này có thể tích hợp với các hệ thống SCADA/PLC hiện hữu trong nhà máy không?

Hoàn toàn có thể. Tọa độ hạt lỗi và tín hiệu phân loại sau khi trích xuất được đóng gói thành các khung truyền thông công nghiệp (Modbus RTU/TCP, OPC-UA hoặc ngõ ra Digital 24V) để gửi trực tiếp đến PLC Siemens S7-1200 hoặc Mitsubishi FX5U điều khiển đồng bộ dây chuyền.

4. Chi phí bảo trì và độ bền của hệ thống quang học như thế nào?

Hệ thống thị giác máy tính không có chi tiết cơ khí chuyển động mài mòn nên độ bền rất cao. Bảo trì định kỳ chủ yếu bao gồm vệ sinh bụi cám bám trên mặt kính camera và bề mặt đèn LED chiếu sáng (thực hiện bằng vòi xịt khí tự động sau mỗi ca làm việc).

5. Tại sao lại chọn không gian màu YCbCr thay vì HSV hay giữ nguyên RGB?

Hệ màu RGB có sự liên kết chặt chẽ giữa cường độ sáng và giá trị màu (khi ánh sáng đổi, cả 3 kênh R, G, B đều đổi). Hệ YCbCr tách biệt hoàn toàn độ sáng ($Y$) ra khỏi hai kênh sắc độ ($C_b, C_r$), giúp thuật toán phân ngưỡng màu sắc hoạt động ổn định tuyệt đối mà không bị đánh lừa bởi bóng đổ hay sự dao động nguồn sáng cục bộ.

Kết luận

Đồ án tốt nghiệp "Nghiên cứu mô hình hệ thống nhận dạng hạt gạo cho máy phân loại chất lượng gạo dùng kỹ thuật xử lý ảnh" đã giải quyết thành công bài toán tự động hóa kiểm định nông sản thông qua sự kết hợp hài hòa giữa kỹ thuật xử lý ảnh hình thái học, không gian màu YCbCr và mạng nơ-ron nhân tạo Perceptron. Với độ chính xác thực nghiệm đạt 95.28% trên 51 chuỗi khung hình thực tế và tốc độ xử lý đáp ứng thời gian thực, nghiên cứu đã chứng minh tính khả thi vượt trội của việc làm chủ công nghệ thị giác máy tính phục vụ nông nghiệp. Giải pháp mở ra tiềm năng to lớn trong việc nâng cao giá trị hạt gạo Việt Nam trên trường quốc tế với chi phí đầu tư thiết bị hoàn toàn phù hợp với thực tiễn sản xuất trong nước.